基于条件极值模型的尾部风险研究.doc

基于条件极值模型的尾部风险研究.doc第一章绪论
年代被 提出并得到极为广泛的应用,但是 VaR 存在一些缺陷:(1)不
满足一致性度量的次可加性;(2)没有考虑到收益率厚尾性。为此,Artzer[1-2]等
(1997,1999)提出了 ES,其具有优良的性质并能克服 VaR 的缺陷。但 VaR 由于
其简单直观性,仍然为行业中重要的市场风险测度。
近十几年来,国际上陆陆续续有一些学者采用时间序列与极值统计方法对
VaR 和 ES 进行预测并进行了相应的事后检验。Ho[3]等(2000)运用区组最大化模
型对六个亚洲国家在亚洲金融危机中进行 VaR 估计事后检验,发现估计结果与
传统的均值方差模型和历史模拟模型不同,尤其是对于像马来西亚和印度尼西亚
这样高度厚尾的金融市场。Longin[4](2000)提出运用区组最大化模型估计 VaR 的
详细步骤,通过对美国标准普尔 500 指数的实证分析,展示了该模型比传统参数
模型的优势。McNeil[5]等(2000)将 GARCH 模型与阈值模型结合,对 VaR 和 ES
进行每日预测与事后检验,得到了比正态新息 GARCH 模型和非随机波动性时间
序列模型更好的结果。Silva[6]等(2003)运用区组最大化模型对亚洲十个地区金融
市场指数进行 VaR 样本外预测并进行事后检验,发现该模型会得到比正态模型
和历史模拟模型更加保守的估计。Gencay[7]等(2003)通过实证,发现阈值模型相
比 GARCH 模型来讲,更容易得到波动不大的 VaR. Gencay[8]等(2004)发现阈值模
型相比其他传统模型如均值方差模型和历史模拟模型来说,当置信水平越高时,
越容易得到更为精确的结果。Bekiros[9]等(2005)分别运用区组最大化模型和阈值
模型对美国道琼斯工业平均指数进行 VaR 样本外预测与事后检验,与传统模型
相比,当置信度非常高时,两种极值模型表现均更加出色。Chan[10]等(2006)将
EGARCH 模型与阈值模型相结合,对欧美五个国家合成的电力即期价格指数进
行 VaR 样本外预测与事后检验,结果显示该模型与传统的参数模型和历史模拟
模型相比,表现更优。Gilli[11]等(2006)提供了运用阈值模型计算 VaR 和 ES 置信
区间的方法。Kuster[12]等(2006)通过运用各种模型对纳斯达克指数进行 VaR 样本
外预测事后检验,发现如果运用厚尾新息分布的 GARCH 模型与阈值模型相结合
的方法,结果最好。陈守东[13]等(2007)应用 GARCH 模型对上证指数收益率数据
进行拟合,应用阈值模型对新息分布的尾部建模,计算得到 VaR 和 ES,但是该
文章并没有对 VaR 和 ES 的估计进行事后检验。Bhattacharyya[14] 等(2008)将
GARCH 模型与阈值模型混合,对印度金融市场指数进行 VaR 样本外事后检验,
取得良好效果。Marimoutou[15]等(2009)运用条件极值模型、非条件极值模型、历
史模拟模型、GARCH 模型与过滤历史模拟模型对油价指数进行 VaR 样本外预测
与事后检验,结果显示条件极值模型与过滤历史模拟模型表现最佳。
2
第一章绪论
论文的特色与创新之处
通过对过去的文献进行总结,本文发现大部分应用极值理论和时间序列进行
尾部风险的研究集中于 VaR 的估计,对 ES 的估计与事后检验比较少,而且各个
文献虽然对条件极值模型的预测能力表示肯定,但是却往往局限在其某一方面。
本文相比前人的研究,有以下特色与创新之处:
(1)系统提取了各个文献的关于条件极值模型的精髓,不再单单选用 GARCH
模型作为收益率序列的过滤器,而是选用 ARMA-GARCH 模型,该模型的好处
是不仅能够刻画波动性的时间动态结构,还能刻画收益率均值的时间动态结构。
而且分别应用正态分布、t 分布和偏t 分布作为新息序列的分布假设,在此基础
上构造条件极值模型。从而可以研究不同新息分布假设对条件极值模型尾部风险
预测能力的影响。
(2)不仅检验了条件极值模型, 还检验了三种新息序列分布假设的
ARMA-GARCH 模型,从而不仅可以对比不同新息分布的 ARMA-GARCH 模型
之间尾部风险预测能力的好坏,还可以认知不同新息分布的 ARMA-GARCH 模
型在加入极值模型前后效果的反差。
(3)本文对全球五大金融市场双侧 95%,99%和 %近 3000 天的日收益率
序列进行样本外事后检验,结果全面详实,分析认真到位。尤其是自行设计了
ES 事后检验的T 检验方法。为金融机构与普通投资者预测市场尾部风险提供了